Konfigurierte drahtlose Sensorknoten (im Vordergrund) senden Zustandsmeldungen der Axialkolbenpumpe (links) an ein Tablet.
Fraunhofer IDMT
Axialkolbenpumpen wandeln mechanische in hydraulische Energie um. An Bau- oder Landmaschinen helfen sie, schwere Lasten zu heben, oder sind Teil industrieller Fördertechnik. Zusammen mit Partnern haben Wissenschaftler des Fraunhofer-Instituts für Digitale Medientechnologie IDMT batteriebetriebene Sensoren an Axialkolbenpumpen angebracht, die in der Lage sind, die Geräusche der Pumpe über die Luft aufzunehmen, zu verarbeiten, mit Referenzaudiodaten abzugleichen und die Informationen drahtlos an eine digitale Auswerteeinheit zu senden. So sollen sich nicht nur Rückschlüsse auf mögliche Fehlentwicklungen frühzeitig erkennen, sondern auch Aussagen über die Art der Probleme treffen lassen, zum Beispiel ob Lagerspiele oder Hydraulikprobleme vorliegen. Dadurch bestehe die Möglichkeit einzugreifen, bevor größere Schäden für Antriebsstrang oder Hydraulik entstehen.
Einsatz maschineller Lernverfahren
"Das kognitive System haben wir mit maschinellen Lernverfahren trainiert, die auf zuvor erhobenen Audiosignalen der Pumpe basieren", informiert Danilo Hollosi, Leiter "Akustische Ereigniserkennung" der Oldenburger Projektgruppe Hör-, Sprach- und Audiotechnologie des Fraunhofer IDMT. Eine zentrale Infrastruktur für die Datenverarbeitung sei nicht notwendig. Während Server Beträge in fünfstelliger Höhe verschlingen können, bleibe so der Preis pro Sensor im zweistelligen Bereich. Durch die Signalverarbeitung direkt vor Ort werden zudem weniger Daten für das Training benötigt. "Kunden profitieren von einer datensicheren Technologieplattform, die für unterschiedlichste Audioszenarien geeignet ist, leicht nachgerüstet werden kann und beliebig skalierbar ist. Auch die Vernetzung der Sensoren über das Internet zur Fernwartung ist möglich", fasst Hollosi die Vorteile zusammen.
Die Technologie wird vom BMBF im Projekt ACME 4.0 gefördert. Mittlerweile haben die Partner das dritte Projektjahr und das Technology Readiness Level 8 erreicht. 2018 steht die Evaluation des Prototyps in Feldversuchen an. Gleichzeitig arbeiten die Wissenschaftler mit Infineon an Predictive Maintenance für die Chipfertigung.